Все выпуски

Работа посвящена суррогатному моделированию термомеханических откликов процесса лазерной полировки кварцевого стекла по данным конечно-элементных расчетов. Исследуется зависимость температурных и механических характеристик процесса от мощности лазерного излучения, скорости перемещения источника и радиуса лазерного пятна. Для аппроксимации откликов сопоставлены классические и регуляризованные регрессионные модели, методы опорных векторов, ансамбли деревьев решений, физически структурированные модели, тензорные B-сплайны и эволюционно синтезированные нейронные сети. Сравнение выполнено при едином разбиении исходных данных на обучающую, валидационную и независимую тестовую выборки. Наименьшие ошибки прогнозирования для всех исследованных откликов обеспечили стекинг-ансамбли на основе Random Forest, Gradient Boosting и XGBoost; коэффициенты детерминации на тестовой выборке превышали 0,998. Физически структурированные модели уступали ансамблям по абсолютной точности, однако обеспечивали гладкое и интерпретируемое представление зависимостей между параметрами лазерного воздействия и термомеханическими откликами. Эволюционный поиск позволил полу- чить нейросетевую модель с двумя выходами для совместного прогнозирования максимальной температуры и максимального эквивалентного напряжения. В исследованном наборе данных скорость перемещения источника имеет наибольшую перестановочную значимость для качества прогнозирования выбранных моделей. Результаты исследования показывают, что выбор суррогатной модели должен определяться решаемой задачей: ансамблевые модели целесообразны для высокоточного прогнозирования, физически структурированные — для анализа зависимостей и интерпретации, нейросетевые — для совместного прогнозирования взаимосвязанных откликов. Построенные модели могут служить вычислительной основой для анализа режимов и последующей многокритериальной оптимизации лазерной полировки кварцевого стекла.

Целью исследования являются разработка ансамблевого метода машинного обучения, обеспечивающего построение интерпретируемых прогностических моделей, и его апробация на примере прогнозирования внутригоспитальной летальности (ВГЛ) у больных инфарктом миокарда с подъемом сегмента ST (ИМпST).

Проведено ретроспективное когортное исследование по данным 5446 электронных историй болезни пациентов с ИМпST, которым выполнялось чрескожное коронарное вмешательство (ЧКВ). Было выделено две группы лиц, первую изк оторых составили 335 (6,2%) больных, умерших в стационаре, вторую — 5111 (93,8%) — с благоприятным исходом лечения. Пул потенциальных предикторов был сформирован с помощью методов математической статистики. С помощью методов мультиметрической категоризации (минимизация p-value, максимизация площади под ROC-кривой-AUC и результаты анализа shap-value), деревьев решений и многофакторной логистической регрессии (МЛР) предикторы были преобразованы в факторы риска ВГЛ. Для разработки прогностических моделей ВГЛ использовали МЛР, случайный лес факторов риска (СЛФР), стохастический градиентный бустинг (XGboost), случай- ный лес, методы Adaptive boosting, Gradient Boosting, Light Gradient-Boosting Machine, Categorical Boosting (CatBoost), Explainable Boosting Machine и Stacking.

Авторами разработан метод СЛФР, который обобщает результаты прогноза модифицированных деревьев решений, выделяет факторы риска и ранжирует их по интенсивности влияния на вероятность развития неблагоприятного события. СЛФР позволяет разрабатывать модели с высоким прогностическим потенциалом (AUC = 0,908), сопоста- вимым с моделями CatBoost и Stacking (AUC: 0,904 и 0,908 соответственно). Метод СЛФР может рассматриваться в качестве важного инструмента для клинического обоснования результатов прогноза и стать основой для разработки высокоточных интерпретируемых моделей.